MétaCan
Menu
Retour à la cohorte
Enregistrement W4407356723 · doi:10.1002/hsr2.70459

Reducing Health Inequities Through Total Knee Arthroplasty: An Experience From Bhutan

2025· article· en· W4407356723 sur OpenAlexaff
Nomina Pradhan, Monu Tamang, Siddhartha Rai, Choeda Gyaltshen, Choney Dema, Mimi Lhamu Mynak, Michael Canestrari, Kenneth C Sands, Kuenzang Wangdi

Notice bibliographique

RevueHealth Science Reports · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueTotal Knee Arthroplasty Outcomes
Établissements canadiensCanadian Physiotherapy Association
Organismes subventionnairesnon disponible
Mots-clésMedicineReferralGovernment (linguistics)Health careTotal knee arthroplastyPopulationPhysical therapyFamily medicineEconomic growthEnvironmental healthSurgery

Résumé

récupéré en direct d'OpenAlex

Background and Aims: Bhutan is a low-middle-income country with a 0.7 million population with a high burden of musculoskeletal conditions. Recognizing the high burden of osteoarthritis, total knee arthroplasty (TKA) was launched in the country in 2022. However, Bhutan continues to refer complicated cases to India. In 2024, International Operation, a US-based nonprofit secular and humanitarian organization, conducted a TKA camp in Bhutan. This perspective aims to report about the camp and discuss how such camps help reduce healthcare disparities. Method: We compiled data on patients who underwent total knee or hip arthroplasty in last 7 years from the registry maintained at National Referral Hospital of Bhutan. We shared our experience of hosting TKA camp and discuss how such camps might help reduce healthcare disparities. Result: In last 7 years, Bhutan referred increasing number of patients for total knee and hip arthroplasty to India. Royal Government of Bhutan spends Nu. 250,000 (approximately US$3000) per patient excluding expenses for travel, logistics, and medications. A team from International Operation conducted TKA on 31 patients during the camp. Conclusion: Such camps would help reduce the healthcare disparities in low- and middle-income countries.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,147
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,001
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,036
Tête enseignante GPT0,372
Écart entre enseignants0,336 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueHealth Science ReportsMême sujetTotal Knee Arthroplasty OutcomesTravaux en français237 207